摘要
لمعالجة الأخطاء الناتجة عن فقدان التفاصيل وعدم توازن الفئات في تقسيم كائنات الصور الفضائية باستخدام DeepLabV3+، تم اقتراح طريقة تقسيم كائنات الصور الفضائية استنادًا إلى شبكة خفيفة DeepLabV3+. أولاً، تم استبدال الشبكة الأساسية الأصلية بـ MobileNetV2 لتحسين كفاءة التدريب وتقليل تعقيد النموذج. ثانيًا، تم زيادة معدل التوسيع في الالتفافات المجوفة ضمن هيكل ASPP واستخدام التجميع الأقصى في الطبقة الأخيرة من ASPP لالتقاط معلومات السياق بمقاييس مختلفة بشكل فعّال، مع إدخال آلية الانتباه SE في كل فرع من ASPP وآلية الانتباه ECA بعد استخراج الميزات السطحية لتحسين إدراك النموذج للفئات المختلفة والتفاصيل. أخيرًا، تم تحسين النموذج باستخدام دالة خسارة مشتركة Dice-Focal مرجحة لمعالجة مشكلة عدم توازن الفئات. تم التحقق من النموذج المحسن على مجموعتي بيانات مسابقة CCF وكأس هواوي Ascend، وأظهرت النتائج التجريبية تحسنًا ملحوظًا في جميع المؤشرات مقارنةً بالنموذج الأصلي DeepLabV3+ على مجموعتي الاختبار، حيث وصل mIoU إلى 73.47% و63.43% بزيادة 3.24% و15.11% على التوالي؛ والدقة إلى 88.28% و86.47% بزيادة 1.47% و7.83% على التوالي؛ مؤشر F1 وصل إلى 84.29% و77.04% بزيادة 3.86% و13.46% على التوالي. يمكن للنموذج المحسن DeepLabV3+ معالجة فقدان التفاصيل وعدم توازن الفئات بشكل أفضل وتحسين أداء ودقة تقسيم كائنات الصور الفضائية.
关键词
MobileNetV2;التفاف مجوف;آلية الانتباه;دالة الخسارة
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website